CN110569483B - 一种基于高频北斗数据的长大桥梁病害通行事件识别方法 - Google Patents

Abstract

本发明提供一种基于高频北斗数据的长大桥梁病害通行事件识别方法，该方法的特征在于，包括以下步骤：一、通过小波变换对北斗监测数据进行分解处理，得到主要含病害通行信息的高频分解层，并计其小波临界系数；二、计算监测数据的标准噪声，利用其对小波临界系数进行修正，得到病害通行识别的阈值；三、采用道格拉斯‑普客法对高频分解层数据进行抽稀，提取出特征点；四、利用差分法，分别构建基于单监测站和多监测站的病害通行事件识别模型。本发明利用长大桥梁现有的北斗监测系统，能够识别出因车辆超重、不良驾驶习惯、大桥车流拥堵等原因导致的病害通行情况，较单一的称重系统更为全面和客观，具有成本低、速度快、可靠性高等优点。

Description

一种基于高频北斗数据的长大桥梁病害通行事件识别方法

技术领域

本发明属于交通安全大数据分析领域，特别是一种基于高频北斗数据的长大桥梁病害通行事件识别方法。在长大桥梁的结构健康监测中，可用于对桥梁病害通行事件进行动态识别，科学开展长大桥梁的运营维护工作。

背景技术

桥梁安全是交通安全的重要组成部分，关系到人民生命财产安全和有序交通秩序的形成。随着大吨位、多挂载重货车的大量出现，驾驶员的不良驾驶行为频发，以及长大桥梁严重的车流拥堵路况，导致病害通行事件越来越多。病害通行事件不仅会使得桥梁结构出现疲劳，随着桥梁服役时间的增长，逐渐积累损伤，对桥梁的结构健康造成严重的危害；而且还会引发交通事故，造成人员伤亡和财产损失。因此长大桥梁病害通行车辆的识别对于保障桥梁安全运营具有重要意义。

病害通行事件以前主要以单台车辆超重检测为主。长大桥梁的车辆超重检测通行常常采用动态称重系统，主要有PWIM(pavement-based weigh-in-motion，基于铺面的动态称重系统)和BWIM(Bridge Weigh-In-Motion，桥梁动态称重)系统两种类型。

在PWIM中，称重传感器嵌入到路面中以测量过往车辆的重量。常用的传感器包括弯板，称重传感器，电容垫和条形传感器，基于铺面的动态称重系统成本较高，由于传感器嵌入在路面中，会对路面造成了一定程度的损伤，在系统的安装和维护期间需要封闭道路，而且由于通行车辆压力的直接作用，基于路面的动态称重系统损坏速度较快，这限制了设备的可使用期限。为了避免PWIM这些弱点，BWIM被提出，其核心理念是在使用桥梁本身作为称重平台，并在其行驶过程中用轴探测器获得轴间距和车速，典型桥梁动态称重的传感硬件包括应变传感器，轴检测传感器，数据采集系统和计算机。然后通过最小化实际桥梁响应和基于影响线的桥梁预测响应之间的差值来获得车轴重量，然后将各轴轴重相加得到车辆总重。与基于铺面的动态称重系统，桥梁动态称重系统具有十分明显的优势，例如，它不会对路面造成伤害，并且在安装和维护期间不需要关闭车道。虽然桥梁动态称重系统表现出优异的性能，但其仍有一些缺点。首先，此系统在进行称重前需要获得通行车辆的轴距和速度，这需要布置额外的设备去获取通行车辆的这些参数。此外，桥梁动态称重通常选择桥梁应变作为估计车辆重量的测量响应。然而，传统的应变计易受局部结构损伤，易受外部电磁干扰和化学侵蚀的影响。这些都严重降低了其使用寿命和准确性。为了解关于桥梁动态称重系统中的传感器耐久性的这个问题，Ojio等人在2016年发明了一种非接触式桥梁动态称重系统，它使用安装在桥上的摄像头拍摄车流并进行车轴检测，从而避免传感器与桥面接触，这被证明是一个可行的替代方案。但是，它对于车辆组和单个车轴的测量结果准确性仍然有限。因此，解决该问题的实质性解决方案是选择具有良好鲁棒性的耐用应变传感器来开发桥梁动态称重系统。Li和Wu在2007年发明了一种长规格光纤布拉格光栅(FBG)传感器，可用于完整的监测整个结构或关键区域的平均应变分布，它已经成功地被运用在关于损伤识别和反射监测的研究中，这些研究结果表明这种传感器可以很好的解决传统传感器的耐久性问题。但是，由于长规格光纤布拉格光栅传感器的成本很高，目前其并未在实际工程中的桥梁动态称重系统中广泛应用。

目前，因车辆超重而造成长大桥梁病害频发受到各级政府部门的大力重视。国内大吨位、多挂载重货车的大量出现，导致超载现象频发；超载运输车辆行驶容易造成公路桥梁的直接破坏，更为严重的是一些隐性的结构损伤。这些损伤经过一定的累积，达到一定程度会引起长大桥梁的结构破坏，影响其安全和正常使用，桥梁寿命严重缩短。

现有研究已经表明，除了车辆超重之外，长大桥梁严重的车流拥堵路况、驾驶员的不良驾驶行为频发等病害通行事件也会对桥梁造成结构损伤，但是由于现有监测手段有限，这种病害通行在长大桥梁运营过程中常常被管理人员所忽略。其中，交通拥堵的汽车动荷载作用会急剧恶化结构材质状况、结构完整性和承载能力，造成桥梁结构物疲劳破坏，耐久性大大折扣。特别是，在一些极度拥堵和车流过大的情况下(例如多台超重车辆集体通行事件)，有可能造成桥梁结构实际受力状况超出设计理论值及规范规定的允许值，直接造成梁板等受力构件的开裂、断裂或局部压碎破坏等结构破坏。驾驶员在行车过程中反复加减速或者变道行驶时，即使是未超载车辆也会在桥面产生局部的不均衡负载并增大剪应力，会使已产生的桥梁结构损伤恶化，表现为是受力构件开裂的缝隙增大等。现有利用称重系统虽然能够对超重事件进行监管，但是很难识别车辆拥堵、不良驾驶行为对长大桥梁带来的破坏性影响。这是因为受到成本等现实因素的约束，现有的称重系统只能在桥梁的个别节点进行监测，而后两种不良影响则在长大桥梁的全桥面都可能发生。因此为了减少长大桥梁日常运维中的隐患，针对长大桥梁的健康监测亟需一种全桥面、全方位的病害通行事件的识别方法。

自上个世纪90年年代以来，美国的全球卫星定位系统(GPS)得到了快速的应用，我国北斗卫星导航定位系统(BDS)在2012年实现了全国覆盖，并在2018年底全球组网成功。北斗系统不仅具有GPS的全天候、全天时、自动化程度高等优点，而且北斗系统采用了三层星座结构体系进行设计，其在监测可靠性方面较GPS更具有优势。目前，北斗接收机数据采集频率最高可以达到100Hz，可满足基础设施的高动态变形监测需求。高频北斗卫星定位技术已经在桥梁变形监测领域逐步取代传统的光学和电子测量方法，能够获取大量的实时、高精度的几何形变信息，为工程管理人员提供及时的灾害预警服务。其实，这些海量高频北斗监测数据，不仅可以应用于桥梁结构主体的长期健康监测，还在桥梁病害通行事件的动态识别方面具有巨大潜力；但是，由于其发展时间比较短，还未有一套成熟的基于高频北斗监测数据的长大桥梁病害通行时间识别方法。该方法利用长大桥梁现有的北斗监测系统，无需另外布置专用称重传感器，不仅增加了北斗变形监测数据的附加价值，而且识别结果不受桥梁类型和车辆通行速度的影响；更为重要的是，该发明能够综合反映车辆超重、不良驾驶习惯、大桥车流拥堵等多种原因导致的病害通行情况，较单一的称重系统更为全面和客观，具有成本低、速度快、可靠性高等优点，在交通安全大数据分析领域具有广阔的应用前景。

发明内容

本发明为了解决如何从长大桥梁高频北斗监测数据中提取出车辆病害通行信息的问题，提出了一种基于高频北斗数据的长大桥梁病害通行事件识别方法，能够对长大桥梁高频北斗变形监测数据中所隐含的病害通行事件信息进行深度挖掘和提取，实现长大桥梁病害通行事件的动态识别。

本发明解决其技术问题的技术方案是：

本发明提供的基于高频北斗数据的长大桥梁病害通行事件识别方法，

第一步，通过小波变换对长大桥梁高频北斗监测数据进行分解处理，得到主要含病害通行车辆信息的高频分解层，计算出其对应的小波临界系数；

第二步，计算出高频北斗监测数据的标准噪声，利用该标准噪声对高频分解层的小波临界系数进行修正，得到长大桥梁病害通行识别的阈值：

式中，σ为标准噪声水平，d_J-1，k为最髙分解层的小波细节系数，k表示小波细节系数时间序列的历元，k＝1，2，…，n。

式中，λ为小波临界系数，n为桥梁高频北斗变形监测时间序列的历元数。

第三步，采用道格拉斯-普客法对北斗监测数据的高频分解层进行抽稀处理，提取出病害通行事件特征点。

第四步，利用差分法原理，分别构建了基于单个监测站和多个监测站的长大桥梁病害通行事件识别模型：

(1)单个监测站桥梁病害通行事件识别模型。将病害通行车辆经过监测站所引起的桥梁变形曲线建模为一元二次抛物线，利用差分法来进行

中波峰值的判断，，公式如下：

式中,

分别为第k-1、k和k+1时刻桥梁高频北斗时间序列的小波细节系数绝对值，当k时刻前后的一阶差分值的乘积ε_k和k时刻的二阶差分值/>

都为负数时，此时刻k即为病害通行车辆经过监测站的时间。

(2)多个监测站桥梁病害通行事件识别模型。多个相邻监测站所监测到的同一病害通行车辆所造成的桥梁变形曲线会有时间上的滞后性。提取出多个相邻监测站的桥梁变形曲线极值后，根据变形极值出现的先后顺序，我们可以病害通行车辆行驶的方向。利用病害通行车辆分别经过多个监测站的时间，可以估算出其速度和加速度，对其驾驶行为进行动态监测。

发明的作用与效果：

(1)相比现有的车辆动态称重系统而言，利用高频北斗监测数据进行长大桥梁病害通行事件识别，其应用基本不受桥梁类型的制约，识别结果也不受通行车速、桥梁上部结构类型和材料等外界因素影响，能对病害通行车辆进行高精度的识别。

(2)基于高频北斗数据的长大桥梁病害通行事件识别方法，能从海量的长大桥梁高频北斗变形监测数据中有效的识别并提取出病害通行事件信息。

附图说明

图1是本发明的方法流程图。

图2某大桥监测站分布图

图3是BD11监测站数据示意图

图4是小波分解示意图。

图5是高频分解层|d1|的示意图。

图6是病害通行事件特征点抽取结果的示意图。

图7是单个监测站病害通行事件识别结果图。

图8是多个监测站病害通行事件识别结果图。

具体实施方式

下面结合实施例及附图对本发明作进一步说明，但并不局限于下面所述内容。

本实施例选择了武汉市的某大桥的北斗卫星定位连续监测网中的BD11监测站2018年1月6日00:00:01到2018年1月6日23:59:59的高频GNSS监测数据和BD12、BD13、BD34、BD35、BD36监测站2018年1月6日20:00:00到2018年1月6日23:59:59的高频GNSS监测数据进行实验，并结合附图对本发明作更进一步的说明。该监测网共包含60个监测站，监测站分布图如图2所示，每个监测站每隔1s采集一次三维坐标。由于实际工程中变形监测环境的复杂性，使得实时解算的桥梁北斗高频监测数据有极小部分丢失，2018年1月6日0:00:01到2018年1月6日23:59:59的有效观测历元为67604个，如图3所示。

具体处理步骤如下：

步骤1，通过bd30小波变换对长大桥梁高频北斗监测数据进行4层分解处理，得到主要含病害通行车辆信息的高频分解层d1，计算出其对应的小波临界系数。

式中，λ₁为小波临界系数，n为桥梁高频北斗变形监测时间序列的历元数。

根据上式计算出λ₁＝4.690。

步骤2，计算出高频北斗监测数据的标准噪声，利用该标准噪声对高频分解层的小波临界系数进行修正，得到长大桥梁病害通行事件识别的阈值。

式中，σ为噪声水平，d_J-1，k为最髙分解层的小波细节系数，k表示小波细节系数时间序列的历元，k＝1，2，…，n。

λ₂＝σ·λ₁

式中，λ₂为修正后的小波临界系数。

根据上式，计算出σ＝0.4756，λ₂＝2.2307。

步骤3，利用道格拉斯-普客法对高频分解层|d1|进行病害通行事件特征点抽取。

具体代码实现如下

步骤3.1定义道格拉斯-普客法时间序列简化函数为SH＝DP(data,D)，其中

data：曲线上每一点的坐标；D：限差；SH：线简化之后的坐标

函数中的道格拉斯-普客化简过程如下

①开辟存储空间SH＝[]；

②定义化简折线的起点与终点，其中

起点x坐标为x1＝data(1,1)；

起点y坐标为y1＝data(1,2)；

终点x坐标为x2＝data(end,1)；

终点y坐标为y2＝data(end,2)；

③计算初始直线系数

A＝y1-y2；

B＝-(x1-x2)；

C＝x1*y2-x2*y1；

④计算所有点到初始直线的距离，并求取最大值

d＝abs(A*data(:,1)+B*data(:,2)+C)./sqrt(A^2+B^2)；

[dmax,po]＝max(d)；

⑤判断是否满足化简条件，即是否小于限差或简化后数据量是否达到预期比例ifdmax<D|size(data,1)<2.5

⑥小于限差或剩余数据量大于预期比例，继续迭代化简

SH＝[SH；data(1,:)；data(end,:)]；

⑦否则停止迭代，返回数据

步骤3.2调用前一步定义的化简函数对小波分析结果进行化简

①读取折线数据

Da＝xlsread('数据.xlsx')；

data(:,1)＝[1:size(Da,1)]'；

data(:,2)＝Da(:,1)；

②计算根据数据特征计算限差，其中

％获取直线的起始点

x1＝data(1,1)；

y1＝data(1,2)；

x2＝data(end,1)；

y2＝data(end,2)；

％计算直线的系数

A＝y1-y2；

B＝-(x1-x2)；

C＝x1*y2-x2*y1；

％计算所有点到直线的距离

d＝abs(A*data(:,1)+B*data(:,2)+C)./sqrt(A^2+B^2)；

[dmax,po]＝max(d)；

％计算限差

D＝dmax/1.9；

③调用前一步定义的道格拉斯-普客算法函数进行化简

Res＝DP(data,D)；

结果保存供后续使用。

步骤4，利用差分法，并结合超桥梁重阈值2.2307，在抽取的特征点中进行长大桥梁病害通行事件识别。将病害通行车辆经过监测站所引起的桥梁变形曲线建模为一元二次抛物线，利用差分法来进行

中波峰值的判断，，公式如下：

式中,

分别为第k-1、k和k+1时刻桥梁高频北斗时间序列的小波细节系数绝对值，当k时刻前后的一阶差分值的乘积ε_k和k时刻的二阶差分值/>

都为负数时，此时刻k即为病害通行车辆经过监测站的时间。

具体代码实现如下：

①开辟存储空间，dao1G＝[]；s2＝[]；s6＝[]；s9＝[]；其中

dao1G为一阶差分结果

②计算一阶差分值，其中X为上一步化简的结果

for i＝1:length(X)-1

dao1＝(X(i+1,2)-X(i,2))/(X(i+1,1)-X(i,1))；

dao1G＝[dao1G dao1]；

end

③计算所有k时刻前后一阶差分值的乘积，并筛选小于零的结果；N1G＝length(dao1G)；

M1G＝dao1G(1:N1G-1)；

M2G＝dao1G(2:N1G)；

M3G1＝M1G'*M2G；

M3G＝diag(M3G1)；

[M4G,M5G]＝find(M3G<＝0)；

[M6G,M7G]＝find(dao1G>＝0)；

M8G＝intersect(M4G,M7G)；

M81G＝M8G-1；

④计算二阶差分值，并从上一步中筛选小于零的结果

⑤按照阈值，从上一步中筛选大于阈值的结果

⑥从原序列中，找到筛选结果对应的极值点

for b＝1:length(s6)

s7＝find(X(:,2)>＝s6(b)&X(:,2)<＝s6(b))；

s8＝s7'；

s9＝[s9 s8]；

end

通过计算得出某大桥BD11监测站2018年1月6日0:00:01到2018年1月6日23:59:59共有85起病害通行事件发生，其病害通行事件识别结果图如图6所示。利用此方法，我们统计了一周的武汉某大桥病害通行事件发生次数，并与武汉某大桥监控指挥中心发布的病害通行事件次数进行比较，通过对比发现，基于桥梁高频北斗变形监测数据的病害通行事件识别平均准确率达到了91％。

为了进一步验证本文所提出的基于桥梁高频北斗数据的病害通行事件识别方法的可靠性。我们利用多个监测站桥梁病害通行事件识别模型，对多个监测站的监测数据，进行病害通行事件识别及结果分析，我们利用BD11、BD12、BD13及其在对向车道所对应的BD34、BD35、BD36共六个监测站2018年1月6日20:00:00到2018年1月6日23:59:59所采集的桥梁高频北斗变形监测时间序列数据进行病害通行车辆识别分析，结果如表1和表2所示。

表1BD11、BD12、BD13监测站病害通行事件识别表

表2BD34、BD35、BD36监测站病害通行事件识别表

通过表1和表2和表2可知，利用任何一个监测站数据所识别出的病害通行事件都能从其相邻监测站的病害通行事件识别结果中找到，病害通行车辆经过每个监测站超成的桥梁形变不一样，这是因为监测站所在桥段的跨径不相同，且外界环境因素也有一定干扰，但这些相邻监测站的病害通行事件识别结果完全相同，这些也证明了本文所提出的基于桥梁高频北斗变形监测数据的病害通行事件识别方法的可靠性。

BD13监测站到BD11监测站为武昌到汉阳方向，BD34到BD36方向为汉阳到武昌方向。在图表1和表2中可以看出有两起病害通行事件中车辆行驶方向为监测站BD11到监测站BD13方向，即汉阳到武昌方向，与监测站所在车道的行驶方法相反，而这两起病害通行事件可以在表2中的BD34、BD35、BD36三个监测站的病害通行事件识别结果中发现，同时在表2中也发现了同样的行驶方向与道路方向相反的三起病害通行事件，桥梁两侧监测站的数据都能识别出这五起病害通行事件，而我们从表1和表2可以看出，这五起病害通行事件都是造成桥梁形变比较大的事件，所以通过桥梁两侧监测站的病害通行事件识别结果对比分析，可以识别出比较严重的病害通行事件。另外，桥梁两侧不同监测站之间识别结果的一致性，也进一步证明了本文所提出的基于高频北斗变形监测数据的长大桥梁病害通行事件识别方法的准确性。

Claims (1)

1.一种基于高频北斗数据的长大桥梁病害通行事件识别方法，其特征在于，包括以下步骤：

步骤1.通过小波变换对长大桥梁高频北斗监测数据进行分解处理，得到含病害通行车辆信息的高频分解层d1，计算出其对应的小波临界系数,具体包括：

通过bd30小波变换对长大桥梁高频北斗监测数据进行N层分解处理，计算出其对应的小波临界系数；

式中，λ₁为小波临界系数，n为桥梁高频北斗变形监测时间序列的历元数；

步骤2.计算出高频北斗监测数据的标准噪声，利用该标准噪声对高频分解层的小波临界系数进行修正，得到长大桥梁病害通行事件识别的阈值，具体基于以下公式：

式中，σ为噪声水平，d_J-1，k为最髙分解层的小波细节系数，k表示小波细节系数时间序列的历元，k＝1，2，…，n；

式中，λ为修正后的小波临界系数；

步骤3.采用道格拉斯-普客法对北斗监测数据的高频分解层进行抽稀处理，提取出病害通行事件特征点；

步骤4.利用差分法原理，分别构建了基于单个监测站和多个监测站的长大桥梁病害通行事件识别模型，包括：

模型一、单个监测站桥梁病害通行事件识别模型；将病害通行车辆经过监测站所引起的桥梁变形曲线建模为一元二次抛物线，利用差分法来进行

中波峰值的判断，公式如下：

式中,

分别为第k-1、k和k+1时刻桥梁高频北斗时间序列的小波细节系数的绝对值，当k时刻前后的一阶差分值的乘积ε_k和k时刻的二阶差分值/>

都为负数时，此时刻k即为病害通行车辆经过监测站的时间；具体实现步骤如下：

步骤401、定义道格拉斯-普客算法函数：开辟存储空间SH＝[]；定义化简折线的起点与终点；计算初始直线系数；计算所有点到初始直线的距离，并求取最大值；判断是否满足化简条件，即是否小于限差或简化后数据量是否达到预期比例,小于限差或剩余数据量大于预期比例，继续迭代化简,否则停止迭代，返回数据

步骤402、读取折线数据

步骤403、获取直线的起始点；计算直线的系数；计算所有点到直线的距离；计算限差

步骤404、调用步骤403定义的道格拉斯-普客算法函数进行化简；

模型二、多个监测站桥梁病害通行事件识别模型；多个相邻监测站所监测到的同一病害通行车辆所造成的桥梁变形曲线会在时间上存在接续特征，利用这种病害通行监测的接续特征可以对病害通行车辆的行驶方向、速度与加速度进行挖掘；具体实现步骤如下：

步骤411、提取出多个相邻监测站的桥梁变形曲线极值，根据变形极值出现的先后顺序；

步骤412、根据测站布置次序，确定车辆行驶的方向；

步骤413、利用病害通行车辆经过相邻监测站时形成监测极值的时间差t，以及相邻测站的距离d，估算其速度v＝d/t；

步骤414、利用病害通行车辆经过N监测站时计算出多个速度t₁…t_n-1即可计算其经过任意三个测站时的加速度a。

Images